遗传算法的应用
龙源期刊网 http://www.qikan.com.cn
遗传算法的应用
作者:徐文锋
来源:《卷宗》2013年第03期
遗传算法起源于上个世纪60年代,是一类模拟生物进化的智能优化算法,遗传算法是通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。算法从一组随机产生的初始群体开始搜索过程,以适应度函数为依据,采用基于适应值比例的选择策略在当前种群中选择个体,通过杂交和变异来产生下一代种群。如此模仿生命的进化一代代演化下去,直到满足期望的终止条件为止。目前,遗传算法已成为进化计算研究的一个重要分支。
一、遗传算法的原理
遗传算法是模拟达尔文的生物自然选择学说和自然界的生物进化过程的一种自适应全局概率搜索算法。在解决具体问题时先大致确定问题的潜在解的一个集合,这个集合就是算法的初始种群。种群由计算机生成(一般是随机生成)的一定数目的个体组成,个体就是潜在解的计算机编码,那么我们最后要求的解就由这些初始生成的个体进化而来。每个个体具有其自的特征(携带不同基因),我们根据这些个体的不同的特征来确定其存活到下一代的可能性高低,按照优胜劣汰的法则,我们由父代来产生子代,如此来繁衍。
当然在具体的进化过程中为了保持种群多样性防止过早收敛,还要在其中使个体以一定小概率发生变异。这样在最后满足收敛条件后的种群最优个体就是问题的近似最优解。遗传算法的实现过程主要包括编码、产生群体、计算适应度、复制、交换、变异等操作。
二、遗传算法的应用
遗传算法提供了一种求解复杂系统优化问题的通用框架,它不依赖于问题的具体领域,对问题的种类有很强的鲁棒性。所以,广泛应用于很多学科。下面是目前遗传算法的主要应用领域:
1、函数优化
工程上经常会遇到在多准则或多设计目标下设计和决策的问题,如果这些目标是相背的,需要找到满足这些目标的最佳设计方案。通常的做法是根据某有效函数将多目标合成单一目标来进行优化。
函数优化是遗传算法的经典应用领域,也是对遗传算法进行性能评价的常用算例。很多人构造出了各种各样的复杂形式的测试函数。有连续函数也有离散函数,有凸函数也有凹函数,有低维函数也有高维函数,有确定函数也有随机函数,有单峰值函数也有多峰值函数等。用这些几何特性各具特色的函数来评价遗传算法的性能,更能反映算法的本质效果而对于一些非线